ICCV 2021 放榜！一文看尽10篇论文的开源项目（检测/分割/Transformer等）

 

https://zhuanlan.zhihu.com/p/392699791

CVer计算机视觉

微信公众号：CVer

 

37 人赞同了该文章

前言

ICCV 2021 刚刚公布获奖结果！先恭喜各位论文被收录的同学。ICCV 2021 最终收录1617篇论文，录取率是25.9%。

Amusi 第一时间整理了 10多篇 ICCV 2021论文，这里对已公开github链接的论文进行盘点（有链接，不一定有代码哈）。

ICCV 2021 合集链接如下，也欢迎大家提交issue，分享你的ICCV 2021论文或者开源工作。

ICCV2021-Papers-with-Code​github.com/amusi/ICCV2021-Papers-with-Code

ICCV 2021 代码和开源项目目录

• 视觉Transformer
• GAN
• 目标检测
• 实例分割
• Few-shot Segmentation
• 超分辨率
• 行人重识别
• 异常检测
• 其他

Visual Transformer

Pyramid Vision Transformer: A Versatile Backbone for Dense Prediction without Convolutions

• Paper(Oral): https://arxiv.org/abs/2102.12122
• Code: https://github.com/whai362/PVT

本文提出第一个用于不同像素级密集预测任务的视觉Transformer网络！无需卷积！在图像分类、目标检测、实例/语义分割等任务上涨点明显，参数更少，性能更强！

GAN

EigenGAN: Layer-Wise Eigen-Learning for GANs

• Paper: https://arxiv.org/abs/2104.12476
• Code: https://github.com/LynnHo/EigenGAN-Tensorflow

目标检测

DetCo: Unsupervised Contrastive Learning for Object Detection

• Paper: https://arxiv.org/abs/2102.04803
• Code: https://github.com/xieenze/DetCo

表现SOTA！性能优于MoCov2、SwAV等网络，其在分割、姿态估计等任务上也涨点明显！

实例分割

Instances as Queries

• Paper: https://arxiv.org/abs/2105.01928
• Code: https://github.com/hustvl/QueryInst

基于查询的端到端实例分割新网络，表现SOTA！性能和速度均优于SOLO V2、CondInst和HTC等网络，代码已开源！

Crossover Learning for Fast Online Video Instance Segmentation

• Paper: https://arxiv.org/abs/2104.05970
• Code: https://github.com/hustvl/CrossVIS

Few-shot Segmentation

Mining Latent Classes for Few-shot Segmentation

• Paper(Oral): https://arxiv.org/abs/2103.15402
• Code: https://github.com/LiheYoung/MiningFSS

超分辨率

Learning for Scale-Arbitrary Super-Resolution from Scale-Specific Networks

• Paper: https://arxiv.org/abs/2004.03791
• Code: https://github.com/LongguangWang/ArbSR

本文提出了一个用于SR网络的插件模块来实现任意尺度的SR，包括多尺度感知特征适应模块和一个尺度感知上采样层，还提出一种尺度感知知识迁移范式，代码即将开源！

行人重识别

TransReID: Transformer-based Object Re-Identification

• Paper: https://arxiv.org/abs/2102.04378
• Code: https://github.com/heshuting555/TransReID

使用纯Transformer进行ReID研究的工作（其中提出ViT-BoT强劲的baseline），TransReID在行人和车辆重识别任务上均表现SOTA！

异常检测(Anomaly Detection)

Weakly-supervised Video Anomaly Detection with Robust Temporal Feature Magnitude Learning

• Paper: https://arxiv.org/abs/2101.10030
• Code: https://github.com/tianyu0207/RTFM